Femoral head segmentation based on improved fully convolutional neural network for ultrasound images

Chen, Lei; Cui, Yutao; Song, Hong; Huang, Bingxuan; Yang, Jian; Zhao, Di; Xia, Bei

doi:10.1007/s11760-020-01637-z

Cited by 5 publications

(2 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In the first method, mean filtering, morphological processing and least squares operation were used while in the second method, a CNN named FNet was utilized. In conclusion, the proposed deep neural network architecture method was found to provide better segmentation than other methods (Chen et al, 2020).…”

Section: Literature Surveymentioning

confidence: 78%

Geli̇şi̇msel Kalça Di̇splazi̇si̇ Tanisinda Deri̇n Öğrenme Yöntemleri̇yle Ultrason Taramalarindan Standart Düzlem Tespi̇ti̇

Çevik¹,

ANDAÇ>²

2022

Mühendislik Bilimleri Ve Tasarım Dergisi

View full text Add to dashboard Cite

Gelişimsel kalça displazisi (GKD) terimi, femur başı ve asetabulumun yanlış hizada olduğu, anormal şekilde büyüdüğü veya her ikisinin birden olduğu yeni doğanları etkileyen bir dizi kalça anormalliği olarak tanımlanır. Ultrasonografik değerlendirme tekniği, ultrasonografi uzmanının kesin hesaplamalar için kullanılan doğru çerçeveyi(standart düzlem) seçme yeteneğine dayanır. Çalışmamızda, gerçek zamanlı 2B ultrason görüntülerinden standart düzlemi belirleyen ve her bir sonuç için doğruluk oranını hesaplayan yeni bir bilgisayar destekli sistemi geliştirilmiştir. Bu işlemler için literatürde son zamanlarda kullanılan derin öğrenme mimarilerinden yararlanılmıştır. Ayrıca önceden eğitilmiş ağlar (SqueezeNet, VGG16, VGG19, ResNet50 ve ResNet101) kullanılarak, sistemin performansını artırmak için transfer öğrenmesi gerçekleştirilmiştir. Nesne algılamanın en iyi yöntemlerinden biri olan You Only Look Once (YOLO) modeli, DDH konumunu belirlemek için önceden eğitilmiş ağlarla birlikte kullanılmıştır. Çalışma sonucunda önceden eğitilmiş bu ağlar yardımıyla önerilen derin sinir ağı modelinin performansı değerlendirilmiştir. Elde edilen sonuçlar uzman görüşleri ile karşılaştırıldığında 676 test görüntüsünün 605(%89,05) 'inde doğru kareler (standart düzlemler) doğru olarak tespit edilmiştir. Kullanılan önceden eğitilmiş ağlar için doğruluk oranları SqueezeNet 0.79, VGG16 0.95, VGG19 0.96, ResNet50 0.88 ve ResNet101 0.93 olarak elde edilmiştir.

show abstract

Section: Literature Surveymentioning

confidence: 78%

Geli̇şi̇msel Kalça Di̇splazi̇si̇ Tanisinda Deri̇n Öğrenme Yöntemleri̇yle Ultrason Taramalarindan Standart Düzlem Tespi̇ti̇

Çevik¹,

ANDAÇ>²

2022

Mühendislik Bilimleri Ve Tasarım Dergisi

View full text Add to dashboard Cite

show abstract

“…The only study using MRI data from patients younger than 16 years of age achieved the lowest DSC of 0.90, highlighting the potential difficulty of segmenting images from a younger age group [14]. Using ultrasound images of an unspecified age group, Chen et al [15] segmented the femoral head with a DSC of 0.946. Finally, Jodeiri et al [16] achieved a DSC of 0.96 when segmenting the entire pelvis from radiographs of patients requiring hip replacements.…”

Section: Introductionmentioning

confidence: 99%

Automatic Segmentation of the Paediatric Femoral Head*

Gartland,

Curran,

Healy

et al. 2023

2023 45th Annual International Conference of the IEEE Engineering in Medicine &Amp; Biology Society (EMBC)

View full text Add to dashboard Cite

Developmental dysplasia of the hip (DDH) is a developmental deformity occurring in 0.1-3.4% of infants. Timely surgical intervention can ameliorate the condition in stable hips and reduce future cases of osteoarthritis and total hip replacement. However, current definitions of DDH are subjective, and thus would benefit from a more objective and reliable assessment metric. Since the shape of the femoral head and its congruence with the acetabulum are disrupted by DDH, analysis of the femoral head could potentially play a role in the development of novel objective morphological metric for stable DDH. Therefore, this paper aimed to segment the paediatric femoral head in stable hips from radiographs, which has not been attempted before in the chosen focus age group (1-16 years) where the pelvis and hip joint undergo significant development. Two techniques were compared against a baseline U-Net: data augmentation and region-of-interest (ROI) networks. Four models were developed either without, with just one, or with both techniques. Evaluated using tenfold cross-validation, the U-Net trained with both techniques achieved the best results, with a Dice Similarity Coefficient (DSC) of 0.951±0.037 (mean±standard deviation, calculated with 720 images). Future work will use this segmentation algorithm to accurately characterise hip joint morphology and estimate the benefit of early surgical intervention in DDH.

show abstract

Automatic segmentation method using FCN with multi-scale dilated convolution for medical ultrasound image

et al. 2022

View full text Add to dashboard Cite

Femoral head segmentation based on improved fully convolutional neural network for ultrasound images

Cited by 5 publications

References 20 publications

Geli̇şi̇msel Kalça Di̇splazi̇si̇ Tanisinda Deri̇n Öğrenme Yöntemleri̇yle Ultrason Taramalarindan Standart Düzlem Tespi̇ti̇

Geli̇şi̇msel Kalça Di̇splazi̇si̇ Tanisinda Deri̇n Öğrenme Yöntemleri̇yle Ultrason Taramalarindan Standart Düzlem Tespi̇ti̇

Automatic Segmentation of the Paediatric Femoral Head*

Automatic segmentation method using FCN with multi-scale dilated convolution for medical ultrasound image

Contact Info

Product

Resources

About